CN108319907A - 一种车辆识别方法、装置和存储介质 - Google Patents
一种车辆识别方法、装置和存储介质 Download PDFInfo
- Publication number
- CN108319907A CN108319907A CN201810079512.XA CN201810079512A CN108319907A CN 108319907 A CN108319907 A CN 108319907A CN 201810079512 A CN201810079512 A CN 201810079512A CN 108319907 A CN108319907 A CN 108319907A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- probability
- local
- global
- class
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种车辆识别方法、装置和存储介质;本发明实施例在获取到待识别车辆的图像后,可以分别采用预设全局识别模型和局部识别模型对所述图像中的车辆的整体和局部进行识别,以得到全局识别结果和局部识别结果,然后,按照预设融合策略将该全局识别结果和局部识别结果进行融合,以得到最终的车辆识别结果;该方案不仅可以提高处理效率、而且可以提高识别的准确率。
Description
技术领域
本发明涉及通信技术领域,具体涉及一种车辆识别方法、装置和存储介质。
背景技术
互联网发展,以及智能终端的广泛应用,给人们的生活带来了极大的便利,尤其是信息查询和识别方面,更是如此。
现有信息查询和识别的实现,一般都需要基于一定规模化的数据库。例如,以车辆如汽车的识别为例,在现有技术中,一般都会通过搜索预设的汽车图片数据库,来查找与当前汽车图片相似的数据库内图片,并以该查找到的数据库内图片的属性信息作为识别结果,返回给用户,以实现识别汽车信息的目的。其中,该汽车图片数据库一般都需要通过采集大量的图片,然后由汽车领域专门从业人员以人工辨认的方式来得到识别结果,比如识别出车辆品牌、车系、以及年款等细粒度属性信息,并根据该识别结果建立而成。
在对现有技术的研究和实践过程中,本发明的发明人发现,在现有方案中,由于识别结果的准确性受限于所建立的汽车图片数据库的规模和图片多样性,而现有多数汽车图片数据库中的图片辨认都依赖人工,其规模和图片多样性十分有限,所以,现有方案的识别准确率并不高,此外,由于为人工辨认,因此,处理效率也较低。
发明内容
本发明实施例提供一种车辆识别方法、装置和存储介质,可以提高处理效率、以及识别准确率。
本发明实施例提供一种车辆识别方法,包括:
获取待识别车辆的图像;
采用预设全局识别模型对所述图像中的车辆的整体进行识别,得到全局识别结果;
采用预设局部识别模型对所述图像中的车辆的车尾和/或车脸进行识别,得到局部识别结果;
按照预设融合策略对所述全局识别结果和局部识别结果进行融合,得到车辆识别结果。
本发明实施例还提供一种车辆识别装置,包括:
获取单元,用于获取待识别车辆的图像;
全局识别单元,用于采用预设全局识别模型对所述图像中的车辆的整体进行识别,得到全局识别结果;
局部识别单元,用于采用预设局部识别模型对所述图像中的车辆的车尾和/或车脸进行识别,得到局部识别结果;
融合单元,用于按照预设融合策略对所述全局识别结果和局部识别结果进行融合,得到车辆识别结果。
可选的,在一些实施例中,所述全局识别单元包括全局提取子单元和全局识别子单元,如下:
所述全局提取子单元,用于对所述图像中车辆的整体特征进行提取,得到全局特征;
所述全局识别子单元,用于采用预设全局识别模型对所述全局特征进行识别,得到全局识别结果。
可选的,在一些实施例中,所述全局提取子单元,具体用于对所述图像中车辆的位置进行检测,根据检测结果对所述图像进行图像分割,得到主区域和背景区域,从所述主区域中提取车辆的关键点特征,得到全局特征。
可选的,在一些实施例中,所述局部识别单元包括局部提取子单元和局部识别子单元,如下:
所述局部提取子单元,用于对所述图像中的车辆的车尾和/或车脸进行特征提取,得到局部特征;
所述局部识别子单元,用于采用预设局部识别模型对所述局部特征进行识别,得到局部识别结果。
可选的,在一些实施例中,所述局部提取子单元,具体用于确定所述图像中包含有车辆的车尾和/或车脸的区域,得到关键区域,从所述关键区域中提取车辆的车尾和/或车脸的关键点特征,得到局部特征。
可选的,在一些实施例中,所述全局识别结果包括第一预测类别和第一概率,所述第一概率为所述待识别车辆属于所述第一预测类别的概率,所述局部识别结果包括第二预测类别和第二概率、所述第二概率为所述待识别车辆属于所述第二预测类别的概率,所述融合单元,具体用于:
当所述第一预测类别和第二预测类别一致时,将第一概率和第二概率进行比较,若第一概率大于第二概率,则将第一预测类别和第一概率作为车辆识别结果,若第一概率小于第二概率,则将第二预测类别和第二概率作为车辆识别结果,若第一概率等于第二概率,则将第一预测类别和第一概率作为车辆识别结果,或将第二预测类别和第二概率作为车辆识别结果;
当所述第一预测类别和第二预测类别不一致时,确定第二概率是否低于预设阈值,若低于预设阈值,则将第一预测类别和第一概率作为车辆识别结果,若不低于预设阈值,则将第二预测类别和第二概率作为车辆识别结果。
可选的,在一些实施例中,所述车辆识别装置还包括采集单元、聚类单元和建立单元,如下:
所述采集单元,用于采集多个车辆数据,所述车辆数据包括车辆的图片信息和属性信息;
所述聚类单元,用于对所述车辆信息进行筛选,并对筛选后的车辆数据按照预设类别进行聚类;
所述建立单元,用于基于聚类后车辆数据建立全局识别模型和局部识别模型。
可选的,在一些实施例中,所述聚类单元,具体用于将筛选后的车辆数据的种类划分为车辆类别、非车辆类别和车辆局部特写类别;将属于非车辆类别的车辆数据聚类为非车辆类;将车辆局部特写类别的车辆数据聚类为局部特写类;对属于车辆类别的车辆数据,按照车型、颜色、品牌、系列和/或年款进行聚类,得到多个车系类。
可选的,在一些实施例中,所述建立单元包括全局训练子单元和局部训练子单元,如下:
所述全局训练子单元,用于将车系类的车辆数据作为全局训练样本集,对预设原始模型进行训练,得到全局识别模型;
所述局部训练子单元,用于将非车辆类的车辆数据和局部特写类的车辆数据作为局部训练样本集,对预设原始模型进行训练,得到局部识别模型。
可选的,在一些实施例中,所述全局训练子单元,具体用于根据车系类的车辆数据确定车辆在图片信息中的位置,得到第一位置信息,根据所述第一位置信息获取车辆的关键点特征,根据获取到的车辆的关键点特征和车系类对应的属性信息对预设原始模型进行训练,得到全局识别模型。
可选的,在一些实施例中,所述局部训练子单元,具体用于根据局部特写类的车辆数据确定车辆的车尾和/或车脸在图片信息中的位置,得到第二位置信息,根据所述第二位置信息获取车辆的车尾和/或车脸的关键点特征,根据非车辆类的车辆数据确定车辆内饰在图片信息中的位置,得到第三位置信息,根据所述第三位置信息获取车辆内饰的关键点特征,根据获取到的车尾和/或车脸的关键点特征、车辆内饰的关键点特征、局部特写类对应的属性信息、非车辆类对应的属性信息对预设原始模型进行训练,得到局部识别模型。
此外,本发明实施例还提供一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行本发明实施例所提供的任一种车辆识别方法中的步骤。
本发明实施例在获取到待识别车辆的图像后,一方面,可以采用预设全局识别模型对所述图像中的车辆的整体进行识别,得到全局识别结果,另一方面,可以采用预设局部识别模型对所述图像中的车辆的车尾和/或车脸进行识别,得到局部识别结果,然后,按照预设融合策略将该全局识别结果和局部识别结果进行融合,得到最终的车辆识别结果;由于该方案可以通过识别模型(包括全局识别模型和局部识别模型)来对待识别车辆的图像进行识别,而且,其识别结果不仅考虑了车辆的整体因素,还考虑了车辆的局部特征,因此,相对于现有只能将待识别车辆的图像与数据库中的图像进行简单匹配的方案而言,可以大大提高识别的准确率;此外,由于这些识别模型均由机器自身训练而成,无需依赖人工辨认,因此,可以在提高处理效率的同时,避免由于人工辨认所导致的误操作,进一步提高识别的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1a是本发明实施例提供的车辆识别方法的场景示意图;
图1b是本发明实施例提供的车辆识别方法的流程图;
图2a是本发明实施例提供的车辆识别方法中模型建立的流程图;
图2b是本发明实施例提供的车辆识别方法模型建立的场景示意图;
图2c是本发明实施例提供的识别模型的训练网络结构示意图;
图2d是本发明实施例提供的车辆识别方法中的另一流程图;
图2e是本发明实施例提供的车辆识别方法中在线车辆识别的场景示意图;
图3a是本发明实施例提供的车辆识别装置的结构示意图;
图3b是本发明实施例提供的车辆识别装置的另一结构示意图;
图4是本发明实施例提供的服务器的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种车辆识别方法、装置和存储介质。
其中,该车辆识别装置具体可以集成在服务器等设备中,例如,参见图1a,以该车辆识别装置集成在服务器为例,当服务器获取到待识别车辆的图像后,比如接收到终端发送的待识别车辆的图像后,可以采用预设的全局识别模型和局部识别模分别该图像进行识别,比如,具体可以采用全局识别模型对该图像中的车辆的整体进行识别,得到全局识别结果,以及采用局部识别模型对该图像中的车辆的车尾和/或车脸进行识别,得到局部识别结果,等等,然后,按照预设融合策略对该全局识别结果和局部识别结果进行融合,得到车辆识别结果,比如可以识别出该车辆的品牌、车型、颜色、以及车系等,此外,该车辆识别结果还可以包括其他相关信息,比如上市日期、售价、和/或购买渠道,等等,此后,服务器还可以将该车辆识别结果返回给终端,以便用户查看该车辆识别结果。
以下分别进行详细说明。需说明的是,以下实施例的顺序不作为对实施例优选顺序的限定。
实施例一、
本实施例将从车辆识别装置的角度进行描述,该车辆识别装置具体可以集成在服务器等设备中。
一种车辆识别方法,包括:获取待识别车辆的图像,采用预设全局识别模型对该图像中的车辆的整体进行识别,得到全局识别结果,采用预设局部识别模型对该图像中的车辆的车尾和/或车脸进行识别,得到局部识别结果,按照预设融合策略对该全局识别结果和局部识别结果进行融合,得到车辆识别结果。
如图1b所示,该车辆识别方法的具体流程可以如下:
101、获取待识别车辆的图像。
例如,具体可以从本地(即该车辆识别装置所在的设备)读取待识别车辆的图像,或者,可以接收其他设备,比如接收终端发送的待识别车辆的图像,或者,还可以接收其他设备,比如接收终端发送的待识别车辆的图像的存储地址或链接,然后,根据该图像的存储地址或链接获取相应的图像,等等。
其中,图像的格式可以有多种,比如,可以是图像文件格式(BMP,Bitmap)、图像互换格式(GIF,Graphics Interchange Format)、联合图像专家组图像格式(JPEG,JointPhoto graphic Experts Group)、标记图像文件格式(TIFF,Tagged Image File Format)、和未加工图像文件格式(RAW)等。
102、采用预设全局识别模型对该图像中的车辆的整体进行识别,得到全局识别结果。
其中,该全局识别结果除了可以指示该待识别车辆所属的预测类别之外,还可以指示该待识别车辆属于该预测类别的概率,比如,待识别车辆A属于“XX牌T系列,红色,概率为80%”,等等。其中,为了描述方便,在本发明实施例中,将该全局识别结果所指示的预测类别称为第一预测类别,并将相应的概率称为第一概率,即该全局识别结果可以包括第一预测类别和第一概率,其中,第一概率为该待识别车辆属于该第一预测类别的概率。
可选的,对该图像中的车辆的整体进行识别的方式可以有多种,例如,具体可以如下:
(1)对该图像中车辆的整体特征进行提取,得到全局特征。
譬如,具体可以对该图像中车辆的位置进行检测,根据检测结果对该图像进行图像分割,得到主区域和背景区域,从该主区域中提取车辆的关键点特征,得到全局特征。
其中,车辆的关键点特征可以包括车辆的颜色、车辆的花纹、车辆的轮廓、后视镜的形状、后视镜的位置、车灯(包括车尾灯和头灯)形状、车灯位置、车门形状、车门位置、车门把手的形状、车门把手的位置、车尾的形状、轮胎的形状、和/或轮胎的位置,等等。
(2)采用预设全局识别模型对该全局特征进行识别,得到全局识别结果。
例如,具体可以采用预设全局识别模型对提取到的各个车辆的关键点特征、如车辆的颜色、车辆的花纹、车辆的轮廓、后视镜的形状、后视镜的位置、车灯形状、车灯位置、车门形状、车门位置、车门把手的形状、车门把手的位置、车尾的形状、轮胎的形状、和/或轮胎的位置等进行识别,得到相应的识别结果,为了描述方便,在本发明实施例中,将该通过全局识别模型得到的识别结果称为全局识别结果。
其中,该全局识别模型可以由运维人员预先进行设置,也可以由该车辆识别装置自行进行建立,具体的建立方式可参见步骤103中的描述。
103、采用预设局部识别模型对该图像中的车辆的车尾和/或车脸进行识别,得到局部识别结果。
其中,该局部识别结果除了可以指示该待识别车辆所属的预测类别之外,还可以指示该待识别车辆属于该预测类别的概率,比如,待识别车辆A属于“XX牌T系列,红色,概率为80%”,等等。其中,为了描述方便,在本发明实施例中,将该局部识别结果所指示的预测类别称为第二预测类别,并将相应的概率称为第二概率,即该局部识别结果可以包括第二预测类别和第二概率、该第二概率为该待识别车辆属于该第二预测类别的概率。
可选的,对该图像中的车辆的车尾和/或车脸进行识别的方式可以有多种,例如,具体可以如下:
(1)对该图像中的车辆的车尾和/或车脸进行特征提取,得到局部特征。
譬如,具体可以确定该图像中包含有车辆的车尾和/或车脸的区域,得到关键区域,从该关键区域中提取车辆的车尾和/或车脸的关键点特征,得到局部特征。
其中,该车尾的关键点特征可以包括车尾的颜色、车尾的花纹、车尾上的标识(Logo)、车尾的形状、车尾灯的形状、车尾灯的位置、车牌架的位置、车尾箱的位置、车尾箱的形状、车尾箱把手的形状、和/或车尾箱把手的位置等;而车脸的关键点特征可以包括车脸的颜色、车脸的花纹、车脸上的标识(Logo)、车脸的形状、头灯的形状、头灯的位置、和/或车牌架的位置,等等。
(2)采用预设局部识别模型对该局部特征进行识别,得到局部识别结果。
例如,具体可以采用预设局部识别模型对提取到的车尾和/或车脸的关键点特征,如车尾的颜色、车尾的花纹、车尾上的标识(Logo)、车尾的形状、车尾灯的形状、车尾灯的位置、车牌架的位置、车尾箱的位置、车尾箱的形状、车尾箱把手的形状、车尾箱把手的位置、车脸的颜色、车脸的花纹、车脸上的标识(Logo)、车脸的形状、头灯的形状、头灯的位置、和/或车牌架的位置等进行识别,得到相应的识别结果,为了描述方便,在本发明实施例中,将该通过局部识别模型得到的识别结果称为局部识别结果。
其中,该局部识别模型可以与全局识别模型位于同一个识别模型中,也可以与全局识别模型彼此独立。与全局识别模型类似,该局部识别模型既可以由运维人员预先进行设置,也可以由该车辆识别装置自行进行建立。即在步骤“采用预设全局识别模型对该图像中的车辆的整体进行识别”之前,该车辆识别方法还可以包括:
采集多个车辆数据,对该车辆信息进行筛选,并对筛选后的车辆数据按照预设类别进行聚类,基于聚类后车辆数据建立全局识别模型和局部识别模型。
其中,该车辆数据可以包括车辆的图片信息和属性信息等信息,车辆的图片信息指的是与该车辆相关的各种图像,而车辆的属性信息则指的是车辆相关的除图片之外的其他信息,比如车辆的车型、颜色、品牌、系列、厂商、上市日期、售价、和/或购买渠道,等等。
其中,聚类的方式可以有多种,比如,可以将筛选后的车辆数据的种类划分为车辆类别、非车辆类别和车辆局部特写类别,然后,将属于非车辆类别的车辆数据聚类为非车辆类,将车辆局部特写类别的车辆数据聚类为局部特写类,以及对属于车辆类别的车辆数据,按照车型、颜色、品牌、系列和/或年款进行聚类,得到多个车系类,等等。
以将筛选后的车辆数据分别聚类为非车辆类、局部特写类和多个车系类为例,则步骤“基于聚类后车辆数据建立全局识别模型和局部识别模型”具体可以包括:
A、将车系类的车辆数据作为全局训练样本集,对预设原始模型进行训练,得到全局识别模型。
比如,具体可以根据车系类的车辆数据确定车辆在图片信息中的位置,得到第一位置信息,根据该第一位置信息获取车辆的关键点特征,然后,根据获取到的车辆的关键点特征和车系类对应的属性信息对预设原始模型进行训练,得到全局识别模型。
B、将非车辆类的车辆数据和局部特写类的车辆数据作为局部训练样本集,对预设原始模型进行训练,得到局部识别模型。
比如,具体可以根据局部特写类的车辆数据确定车辆的车尾和/或车脸在图片信息中的位置,得到第二位置信息,根据该第二位置信息获取车辆的车尾和/或车脸的关键点特征,以及,根据非车辆类的车辆数据确定车辆内饰在图片信息中的位置,得到第三位置信息,并根据该第三位置信息获取车辆内饰的关键点特征,然后,根据获取到的车尾和/或车脸的关键点特征、车辆内饰的关键点特征、局部特写类对应的属性信息、非车辆类对应的属性信息对预设原始模型进行训练,得到局部识别模型。
其中,车辆内饰的关键点特征可以包括车辆内饰的颜色、形状、位置、和/或图案等。该车辆内饰可以包括车辆的车座、方向盘、后视镜、操作台、和/或显示屏等部位。
其中,原始模型可以由开发人员或运维人员根据实际应用的需求预先进行设置,在此不再赘述。
其中,步骤102和103的执行可以不分先后。
104、按照预设融合策略对该全局识别结果和局部识别结果进行融合,得到车辆识别结果。
例如,以全局识别结果包括第一预测类别和第一概率,局部识别结果包括第二预测类别和第二概率为例,则步骤104具体可以如下:
当该第一预测类别和第二预测类别一致时,将第一概率和第二概率进行比较,若第一概率大于第二概率,则将第一预测类别和第一概率作为车辆识别结果,若第一概率小于第二概率,则将第二预测类别和第二概率作为车辆识别结果,若第一概率等于第二概率,则将第一预测类别和第一概率作为车辆识别结果,或将第二预测类别和第二概率作为车辆识别结果;
当该第一预测类别和第二预测类别不一致时,确定第二概率是否低于预设阈值,若低于预设阈值,则将第一预测类别和第一概率作为车辆识别结果,若不低于预设阈值,则将第二预测类别和第二概率作为车辆识别结果。
其中,该预设阈值可以根据实际应用的需求进行设置,比如,该预设阈值可以设置为0,即当该第一预测类别和第二预测类别不一致时,若第二概率为0(即不存在第二预测类别,比如未检测到车脸或车尾),则将第一预测类别和第一概率作为车辆识别结果,否则,若第二概率不为0(即存在第二预测类别,比如检测到车脸或车尾),则将第二预测类别和第二概率作为车辆识别结果,等等。
由上可知,本实施例在获取到待识别车辆的图像后,一方面,可以采用预设全局识别模型对所述图像中的车辆的整体进行识别,得到全局识别结果,另一方面,可以采用预设局部识别模型对所述图像中的车辆的车尾和/或车脸进行识别,得到局部识别结果,然后,按照预设融合策略将该全局识别结果和局部识别结果进行融合,得到最终的车辆识别结果;由于该方案可以通过识别模型(包括全局识别模型和局部识别模型)来对待识别车辆的图像进行识别,而且,其识别结果不仅考虑了车辆的整体因素,还考虑了车辆的局部特征,因此,相对于现有只能将待识别车辆的图像与数据库中的图像进行简单匹配的方案而言,可以大大提高识别的准确率;此外,由于这些识别模型均由机器自身训练而成,无需依赖人工辨认,因此,可以在提高处理效率的同时,避免由于人工辨认所导致的误操作,进一步提高识别的准确率。
实施例二、
根据上一个实施例所描述的方法,以下将举例作进一步详细说明。
在本实施例中,将以该车辆识别装置具体集成在服务器中,且该待识别车辆的图像由终端提供为例进行说明。
在本发明实施例中,全局识别模型和局部识别模型可以位于同一识别模型中,也可以分别作为独立的识别模型而存在,为了描述方便,在本实施例中,将以该全局识别模型和局部识别模型位于同一识别模型为例进行说明。其中,该识别模型(包括全局识别模型和局部识别模型)可由服务器离线进行建立。在识别模型建立完毕后,便可以通过该建立的识别模型,在线对待识别车辆的图像进行识别。以下将分别从离线建立识别模型、以及在线识别车辆两个方面对该车辆识别流程进行详细说明。
(一)离线处理流程(offline);
如图2a所示,识别模型(包括全局识别模型和局部识别模型)的建立流程可以如下:
A201、服务器采集多个车辆数据。
例如,参见图2b,服务器可以通过爬虫工具从互联网,比如从各类新车/二手车门户网站中抓取车辆数据(即爬虫数据),和/或,也可以从各个开源数据库中来采集车辆数据(即开源数据),和/或,还可以通过拍摄等途径来采集车辆数据,等等。
其中,该车辆数据可以包括车辆的图片信息和属性信息等信息,车辆的图片信息指的是与该车辆相关的各种图像,而车辆的属性信息则指的是车辆相关的除图片之外的其他信息,比如车辆的车型、颜色、品牌、系列、厂商、上市日期、售价、和/或购买渠道,等等。
A202、服务器对该车辆信息进行筛选,得到筛选后的车辆数据。
在采集到车辆数据后,服务器需要对这些车辆数据进行筛选,比如进行清洗和合并,使得无效的数据可以被过滤掉,而重复的数据可以被合并,等等。
A203、服务器对筛选后的车辆数据按照预设类别进行聚类。
其中,聚类的方式可以有多种,比如,如图2b所示,可以将筛选后的车辆数据的种类划分为车辆类别、非车辆类别和车辆局部特写类别,然后,将属于非车辆类别的车辆数据聚类为非车辆类,将车辆局部特写类别的车辆数据聚类为局部特写类,以及对属于车辆类别的车辆数据,按照车型、颜色、品牌、系列和/或年款进行聚类,得到多个车系类,等等。
例如,以筛选后的车辆数据包括n个车系的数据为例,则可以使用K均值算法设定n+2个聚类中心,对全部筛选后的车辆数据做聚类,其中,非车辆类别的车辆数据和车辆局部特写类别的车辆数据可以单独聚成两类,分别得到非车辆类和局部特写类,而对于车辆类别的车辆数据则可以按照车型、颜色、品牌、系列和/或年款进行聚类,得到多个车系类。
可选的,为了提高聚类后数据的准确率,聚类完成后还可以对各个类别的数据进行人工检查修正,以及对边界数据(即难以进行归类的数据)进行人工修正,在此不再赘述。
A204、服务器基于聚类后车辆数据建立全局识别模型和局部识别模型。
例如,如图2b所示,以将筛选后的车辆数据分别聚类为非车辆类、局部特写类和多个车系类为例,则步骤A204具体可以包括:
(1)服务器将车系类的车辆数据作为全局训练样本集,对预设原始模型进行训练,得到全局识别模型。
例如,服务器具体可以根据车系类的车辆数据确定车辆在图片信息中的位置,得到第一位置信息,根据该第一位置信息获取车辆的关键点特征,比如,获取车辆的颜色、车辆的花纹、车辆的轮廓、后视镜的形状、后视镜的位置、车灯形状、车灯位置、车门形状、车门位置、车门把手的形状、车门把手的位置、车尾的形状、轮胎的形状、和/或轮胎的位置等,然后,根据获取到的车辆的关键点特征和车系类对应的属性信息对预设原始模型进行训练,得到全局识别模型。
(2)服务器将非车辆类的车辆数据和局部特写类的车辆数据作为局部训练样本集,对预设原始模型进行训练,得到局部识别模型。
例如,服务器具体可以根据局部特写类的车辆数据确定车辆的车尾和/或车脸在图片信息中的位置,得到第二位置信息,根据该第二位置信息获取车辆的车尾和/或车脸的关键点特征,比如获取车尾的颜色、车尾的花纹、车尾上的标识(Logo)、车尾的形状、车尾灯的形状、车尾灯的位置、车牌架的位置、车尾箱的位置、车尾箱的形状、车尾箱把手的形状、和/或车尾箱把手的位置、车脸的颜色、车脸的花纹、车脸上的标识(Logo)、车脸的形状、头灯的形状、头灯的位置、和/或车牌架的位置等,以及,根据非车辆类的车辆数据确定车辆内饰在图片信息中的位置,得到第三位置信息,并根据该第三位置信息获取车辆内饰的关键点特征,比如获取车辆内饰(如车辆的车座、方向盘、后视镜、操作台、和/或显示屏等)的颜色、形状、位置、和/或图案等,然后,根据获取到的车尾和/或车脸的关键点特征、车辆内饰的关键点特征、局部特写类对应的属性信息、非车辆类对应的属性信息对预设原始模型进行训练,得到局部识别模型。
其中,原始模型可以由开发人员或运维人员根据实际应用的需求预先进行设置,比如,具体可采用深度卷积神经网络等来建立该原始模型,等等,在此不再赘述。
需说明的是,为了提高处理效率,在对全局识别模型和局部识别模型进行训练时,可以采用多任务并行的训练方式,来训练深度卷积神经网络(原始模型),譬如,具体训练时,可建立多个学习任务,如车辆位置检测、车脸/车尾位置检测、车辆颜色分类、和/或车辆车系分类等学习任务,由训练网络的浅层负责学习车辆的基本特征,然后,将各个学习任务再独立划分为多个子任务,如子任务1、子任务2和子任务3等,由训练网络的深层来执行这些子任务,以学习车辆的专门特征。其中,可以将学习车辆的基本特征的训练网络的浅层称为共享层(Shared layers,共享层可以有多个),将学习车辆的专门特征的训练网络的深层称为特定层(specific layers)。筛选后的车辆数据通过共享层的训练学习之后,便可以得到全局识别模型,而通过特定层训练学习之后,便可以得到局部识别模型,参见图2c,在此不再赘述。
在得到识别模型,如全局识别模型和局部识别模型之后,便可以利用该识别模型对待识别车辆的图像进行在线识别,以下进行详细说明。
(二)在线处理流程(online)。
如图2d所示,一种车辆识别方法,具体流程可以如下:
B201、终端获取待识别车辆的图像,并将该待识别车辆的图像发送给服务器。
例如,终端可以通过摄像头拍摄待识别车辆的图像,并将该拍摄得到的待识别车辆的图像上传给服务器,或者,终端也可以通过各种监控设备获取视频流,通过截帧的方式从该视频流中截取待识别车辆的图像,然后,将待识别车辆的图像上传给服务器,或者,还可以由用户输入待识别车辆的图像的存储地址或链接,如统一资源定位符(URL,UniformResource Locator),等等。
其中,图像的格式可以有多种,比如,可以是BMP、GIF、JPEG、TIFF、和RAW等。
B202、服务器接收到该待识别车辆的图像后,对该图像中车辆的整体特征进行提取,得到全局特征,然后执行步骤B203。
例如,服务器具体可以对该图像中车辆的位置进行检测,根据检测结果对该图像进行图像分割,得到主区域和背景区域,然后,从该主区域中提取车辆的关键点特征,比如提取车辆的颜色、车辆的花纹、车辆的轮廓、后视镜的形状、后视镜的位置、车灯(包括车尾灯和头灯)形状、车灯位置、车门形状、车门位置、车门把手的形状、车门把手的位置、车尾的形状、轮胎的形状、和/或轮胎的位置等,得到全局特征,而背景区域部分,则可以忽略。
B203、服务器采用全局识别模型对该全局特征进行识别(即对车辆整体进行识别),得到全局识别结果。
例如,服务器具体可以采用预设全局识别模型对提取到的各个车辆的关键点特征、如车辆的颜色、车辆的花纹、车辆的轮廓、后视镜的形状、后视镜的位置、车灯形状、车灯位置、车门形状、车门位置、车门把手的形状、车门把手的位置、车尾的形状、轮胎的形状、和/或轮胎的位置等进行识别,得到全局识别结果。
其中,该全局识别结果除了可以指示该待识别车辆所属的预测类别之外,还可以指示该待识别车辆属于该预测类别的概率,即该全局识别结果可以包括第一预测类别和第一概率,其中,第一概率为该待识别车辆属于该第一预测类别的概率。
比如,以待识别车辆的图像为图像A为例,如图2e所示,服务器可以通过全局识别模型对图像A中的车辆整体进行检测,并对从中提取出的各个关键点特征进行识别,以得到相应的全局识别结果,比如,若图像A中的车辆是红色的,且其各个关键点特征与XX牌T系列的车型的相似度为60%,则可以输出全局识别结果为:“XX牌T系列,白色,概率为60%”,以此类推,等等。其中,“XX牌T系列,白色”即为第一预测类别,而“60%”则为第一概率。
需说明的是,上述第一预测类别的内容仅仅为示例,应当理解的是,该第一预测类别除了可以包括品牌、车系和颜色之外,还可以包括其他的信息,比如上市时间、车型、售价、和/或购买渠道等等,在此不再赘述。
B204、服务器对该图像中的车辆的车尾和/或车脸进行特征提取,得到局部特征,然后执行步骤B205。
例如,服务器具体可以确定该图像中包含有车辆的车尾和/或车脸的区域,得到关键区域,从该关键区域中提取车辆的车尾和/或车脸的关键点特征,比如,可以提取车尾的颜色、车尾的花纹、车尾上的标识、车尾的形状、车尾灯的形状、车尾灯的位置、车牌架的位置、车尾箱的位置、车尾箱的形状、车尾箱把手的形状、和/或车尾箱把手的位置等;而车脸的关键点特征可以包括车脸的颜色、车脸的花纹、车脸上的标识、车脸的形状、头灯的形状、头灯的位置、和/或车牌架的位置等,得到局部特征。
其中,步骤B202和B204的执行可以不分先后。
B205、服务器采用局部识别模型对该局部特征进行识别,得到局部识别结果。
例如,服务器具体可以采用预设局部识别模型对提取到的车尾和/或车脸的关键点特征,如车尾的颜色、车尾的花纹、车尾上的标识、车尾的形状、车尾灯的形状、车尾灯的位置、车牌架的位置、车尾箱的位置、车尾箱的形状、车尾箱把手的形状、车尾箱把手的位置、车脸的颜色、车脸的花纹、车脸上的标识、车脸的形状、头灯的形状、头灯的位置、和/或车牌架的位置等进行识别,得到相应的识别结果,为了描述方便,在本发明实施例中,将该通过局部识别模型得到的识别结果称为局部识别结果。
其中,该局部识别结果除了可以指示该待识别车辆所属的预测类别之外,还可以指示该待识别车辆属于该预测类别的概率,即该局部识别结果可以包括第二预测类别和第二概率、该第二概率为该待识别车辆属于该第二预测类别的概率。
比如,还是以待识别车辆的图像为图像A为例,如图2e所示,服务器可以通过局部识别模型对图像A中车辆的车脸进行检测,并对从中所提取出的各个关键点特征进行识别,以得到相应的局部识别结果,比如,若图像A中的车辆是红色的,且其各个关键点特征与XX牌T系列的车型的相似度为90%,则可以输出局部识别结果为:“XX牌T系列,白色,概率为90%”,以此类推,等等。其中,“XX牌T系列,白色”即为第二预测类别,而“90%”则为第二概率。
需说明的是,上述第二预测类别的内容仅仅为示例,应当理解的是,该第二预测类别除了可以包括品牌、车系和颜色之外,还可以包括其他的信息,比如上市时间、车型、售价、和/或购买渠道等等,在此不再赘述。
B206、服务器按照预设融合策略对该全局识别结果和局部识别结果进行融合,得到车辆识别结果。
例如,当全局识别结果中的第一预测类别和局部识别结果中的第二预测类别一致时,则服务器可以将全局识别结果中的第一概率和局部识别结果中的第二概率进行比较,若第一概率大于第二概率,则将第一预测类别和第一概率作为车辆识别结果,若第一概率小于第二概率,则将第二预测类别和第二概率作为车辆识别结果,若第一概率等于第二概率,则将第一预测类别和第一概率作为车辆识别结果,或将第二预测类别和第二概率作为车辆识别结果;
当全局识别结果中的第一预测类别和局部识别结果中的第二预测类别不一致时,确定局部识别结果中的第二概率是否低于预设阈值,若低于预设阈值,则将全局识别结果中的第一预测类别和第一概率作为车辆识别结果,若不低于预设阈值,则将局部识别结果中的第二预测类别和第二概率作为车辆识别结果。
其中,该预设阈值可以根据实际应用的需求进行设置,比如,该预设阈值可以设置为0,即当该第一预测类别和第二预测类别不一致时,若第二概率为0(即不存在第二预测类别,比如未检测到车脸或车尾),则将第一预测类别和第一概率作为车辆识别结果,否则,若第二概率不为0(即存在第二预测类别,比如检测到车脸或车尾),则将第二预测类别和第二概率作为车辆识别结果,等等。
比如,还是以待识别车辆的图像为图像A为例,参见图2e,由于全局识别结果为:“XX牌T系列,白色,概率为60%”,局部识别结果为:“XX牌T系列,白色,概率为90%”,二者的预测结果一致,均为“XX牌T系列,白色”,所以,可以将全局识别结果中的第一概率“60%”和局部识别结果中的第二概率“90%”进行比较,由于第一概率“60%”小于第二概率“90%”,因此,此时可以将第二预测类别和第二概率作为车辆识别结果,即最终的识别结果为“XX牌T系列,白色,概率为90%”,也就是说,该图像A中的车辆有90%的概率为“XX牌T系列,白色”。
可选的,在得到车辆识别结果之后,还可以将该车辆识别结果发送给终端,以供用户进行查看,即该车辆识别方法,还可以包括步骤B207,如下:
B207、服务器将车辆识别结果发送给终端。
可选的,除了车辆识别结果之外,服务器还可以获取该车辆识别结果的其他关联信息,比如,若车辆识别结果指示该图像中的车辆为“XX牌T系列”,则可以获取“XX牌T系列”相关的新闻、评价、出售信息和/或购物平台,等等,并将该关联信息发送给终端,以供用户参考,在此不再赘述。
由上可知,本实施例在获取到待识别车辆的图像后,一方面,可以采用预设全局识别模型对所述图像中的车辆的整体进行识别,得到全局识别结果,另一方面,可以采用预设局部识别模型对所述图像中的车辆的车尾和/或车脸进行识别,得到局部识别结果,然后,按照预设融合策略将该全局识别结果和局部识别结果进行融合,得到最终的车辆识别结果;由于该方案可以通过识别模型来对待识别车辆的图像进行识别,而且,其识别结果不仅考虑了车辆的整体因素,还考虑了车辆的局部特征,因此,相对于现有只能将待识别车辆的图像与数据库中的图像进行简单匹配的方案而言,可以大大提高识别的准确率;此外,由于这些识别模型均由机器自身训练而成,无需依赖人工辨认,因此,可以在提高处理效率的同时,避免由于人工辨认所导致的误操作,进一步提高识别的准确率。
实施例三、
为了更好地实施以上方法,本发明实施例还提供一种车辆识别装置,该车辆识别装置具体可以集成在服务器等设备中。
例如,参见图3a,该车辆识别装置可以包括获取单元301、全局识别单元302、局部识别单元303和融合单元304,如下:
(1)获取单元301;
获取单元301,用于获取待识别车辆的图像。
例如,获取单元301,具体可以用于从本地(即该车辆识别装置所在的设备)读取待识别车辆的图像。
或者,获取单元301,具体可以用于接收其他设备,比如接收终端发送的待识别车辆的图像。
或者,获取单元301,具体可以用于接收其他设备,比如接收终端发送的待识别车辆的图像的存储地址或链接,然后,根据该图像的存储地址或链接获取相应的图像,等等。
其中,图像的格式可以有多种,比如,可以是BMP、GIF、JPEG、TIFF、和RAW等。
(2)全局识别单元302;
全局识别单元302,用于采用预设全局识别模型对该图像中的车辆的整体进行识别,得到全局识别结果。
例如,该全局识别单元302可以包括全局提取子单元和全局识别子单元,如下:
该全局提取子单元,用于对该图像中车辆的整体特征进行提取,得到全局特征。
该全局识别子单元,用于采用预设全局识别模型对该全局特征进行识别,得到全局识别结果。
比如,该全局提取子单元,具体可以用于对该图像中车辆的位置进行检测,根据检测结果对该图像进行图像分割,得到主区域和背景区域,从该主区域中提取车辆的关键点特征,得到全局特征。
其中,车辆的关键点特征可以包括车辆的颜色、车辆的花纹、车辆的轮廓、后视镜的形状、后视镜的位置、车灯(包括车尾灯和头灯)形状、车灯位置、车门形状、车门位置、车门把手的形状、车门把手的位置、车尾的形状、轮胎的形状、和/或轮胎的位置,等等。
其中,该全局识别结果包括第一预测类别和第一概率,该第一概率为该待识别车辆属于该第一预测类别的概率。
(3)局部识别单元303;
局部识别单元303,用于采用预设局部识别模型对该图像中的车辆的车尾和/或车脸进行识别,得到局部识别结果;
例如,该局部识别单元303可以包括局部提取子单元和局部识别子单元名如下:
该局部提取子单元,用于对该图像中的车辆的车尾和/或车脸进行特征提取,得到局部特征;
该局部识别子单元,用于采用预设局部识别模型对该局部特征进行识别,得到局部识别结果。
比如,该局部提取子单元,具体用于确定该图像中包含有车辆的车尾和/或车脸的区域,得到关键区域,从该关键区域中提取车辆的车尾和/或车脸的关键点特征,得到局部特征。
其中,该车尾的关键点特征可以包括车尾的颜色、车尾的花纹、车尾上的标识(Logo)、车尾的形状、车尾灯的形状、车尾灯的位置、车牌架的位置、车尾箱的位置、车尾箱的形状、车尾箱把手的形状、和/或车尾箱把手的位置等;而车脸的关键点特征可以包括车脸的颜色、车脸的花纹、车脸上的标识(Logo)、车脸的形状、头灯的形状、头灯的位置、和/或车牌架的位置,等等。
其中,该局部识别结果包括第二预测类别和第二概率,该第二概率为该待识别车辆属于该第二预测类别的概率。
(4)融合单元304;
融合单元304,用于按照预设融合策略对该全局识别结果和局部识别结果进行融合,得到车辆识别结果。
例如,以全局识别结果包括第一预测类别和第一概率,局部识别结果包括第二预测类别和第二概率为例,则该融合单元304,具体可以用于:
当该第一预测类别和第二预测类别一致时,将第一概率和第二概率进行比较,若第一概率大于第二概率,则将第一预测类别和第一概率作为车辆识别结果,若第一概率小于第二概率,则将第二预测类别和第二概率作为车辆识别结果,若第一概率等于第二概率,则将第一预测类别和第一概率作为车辆识别结果,或将第二预测类别和第二概率作为车辆识别结果;
当该第一预测类别和第二预测类别不一致时,确定第二概率是否低于预设阈值,若低于预设阈值,则将第一预测类别和第一概率作为车辆识别结果,若不低于预设阈值,则将第二预测类别和第二概率作为车辆识别结果。
其中,该预设阈值可以根据实际应用的需求进行设置,比如,该预设阈值可以设置为0,即当该第一预测类别和第二预测类别不一致时,若第二概率为0(即不存在第二预测类别,比如未检测到车脸或车尾),则将第一预测类别和第一概率作为车辆识别结果,否则,若第二概率不为0(即存在第二预测类别,比如检测到车脸或车尾),则将第二预测类别和第二概率作为车辆识别结果,等等。
可选的,其中,全局识别模型和局部识别模型可以由运维人员预先进行设置,也可以由该车辆识别装置自行进行建立,即如图3b所示,该车辆识别装置还可以包括采集单元305、聚类单元306和建立单元307,如下:
该采集单元305,用于采集多个车辆数据。
其中,该车辆数据可以包括车辆的图片信息和属性信息等信息,车辆的图片信息指的是与该车辆相关的各种图像,而车辆的属性信息则指的是车辆相关的除图片之外的其他信息,比如车辆的车型、颜色、品牌、系列、厂商、上市日期、售价、和/或购买渠道,等等。
该聚类单元306,用于对该车辆信息进行筛选,并对筛选后的车辆数据按照预设类别进行聚类。
该建立单元307,用于基于聚类后车辆数据建立全局识别模型和局部识别模型。
其中,聚类的方式可以有多种,比如,该聚类单元306,具体可以用于将筛选后的车辆数据的种类划分为车辆类别、非车辆类别和车辆局部特写类别,将属于非车辆类别的车辆数据聚类为非车辆类;将车辆局部特写类别的车辆数据聚类为局部特写类;对属于车辆类别的车辆数据,按照车型、颜色、品牌、系列和/或年款进行聚类,得到多个车系类,等等。
以将筛选后的车辆数据分别聚类为非车辆类、局部特写类和多个车系类为例,则该建立单元307可以包括全局训练子单元和局部训练子单元,如下:
该全局训练子单元,用于将车系类的车辆数据作为全局训练样本集,对预设原始模型进行训练,得到全局识别模型。
比如,该全局训练子单元,具体可以用于根据车系类的车辆数据确定车辆在图片信息中的位置,得到第一位置信息,根据该第一位置信息获取车辆的关键点特征,然后,根据获取到的车辆的关键点特征和车系类对应的属性信息对预设原始模型进行训练,得到全局识别模型。
该局部训练子单元,可以用于将非车辆类的车辆数据和局部特写类的车辆数据作为局部训练样本集,对预设原始模型进行训练,得到局部识别模型。
比如,该局部训练子单元,具体可以用于根据局部特写类的车辆数据确定车辆的车尾和/或车脸在图片信息中的位置,得到第二位置信息,根据该第二位置信息获取车辆的车尾和/或车脸的关键点特征,根据非车辆类的车辆数据确定车辆内饰在图片信息中的位置,得到第三位置信息,根据该第三位置信息获取车辆内饰的关键点特征,根据获取到的车尾和/或车脸的关键点特征、车辆内饰的关键点特征、局部特写类对应的属性信息、非车辆类对应的属性信息对预设原始模型进行训练,得到局部识别模型。
其中,车辆内饰的关键点特征可以包括车辆内饰的颜色、形状、位置、和/或图案等。该车辆内饰可以包括车辆的车座、方向盘、后视镜、操作台、和/或显示屏等部位。
其中,原始模型可以由开发人员或运维人员根据实际应用的需求预先进行设置,在此不再赘述。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元所执行的操作具体可参见前面的方法实施例,在此不再赘述。
由上可知,本实施例在获取到待识别车辆的图像后,一方面,可以由全局识别单元302采用预设全局识别模型对所述图像中的车辆的整体进行识别,得到全局识别结果,另一方面,可以由局部识别单元303采用预设局部识别模型对所述图像中的车辆的车尾和/或车脸进行识别,得到局部识别结果,然后,由融合单元304按照预设融合策略将该全局识别结果和局部识别结果进行融合,得到最终的车辆识别结果;由于该方案可以通过识别模型(包括全局识别模型和局部识别模型)来对待识别车辆的图像进行识别,而且,其识别结果不仅考虑了车辆的整体因素,还考虑了车辆的局部特征,因此,相对于现有只能将待识别车辆的图像与数据库中的图像进行简单匹配的方案而言,可以大大提高识别的准确率;此外,由于这些识别模型均由机器自身训练而成,无需依赖人工辨认,因此,可以在提高处理效率的同时,避免由于人工辨认所导致的误操作,进一步提高识别的准确率。
实施例四、
本发明实施例还提供一种服务器,如图4所示,其示出了本发明实施例所涉及的服务器的结构示意图,具体来讲:
该服务器可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图4中示出的服务器结构并不构成对服务器的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该服务器的控制中心,利用各种接口和线路连接整个服务器的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行服务器的各种功能和处理数据,从而对服务器进行整体监控。可选的,处理器401可包括一个或多个处理核心;优选的,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据服务器的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
服务器还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该服务器还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,服务器还可以包括显示单元等,在此不再赘述。具体在本实施例中,服务器中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能,如下:
获取待识别车辆的图像,采用预设全局识别模型对该图像中的车辆的整体进行识别,得到全局识别结果,采用预设局部识别模型对该图像中的车辆的车尾和/或车脸进行识别,得到局部识别结果,按照预设融合策略对该全局识别结果和局部识别结果进行融合,得到车辆识别结果。
例如,在获取待识别车辆的图像后,一方面,可以对该图像中车辆的整体特征进行提取,得到全局特征,然后,采用预设全局识别模型对该全局特征进行识别,得到全局识别结果;另一方面,可以对该图像中的车辆的车尾和/或车脸进行特征提取,得到局部特征,采用预设局部识别模型对该局部特征进行识别,得到局部识别结果,再然后,按照预设融合策略对该全局识别结果和局部识别结果进行融合,得到车辆识别结果。
比如,可以全局识别结果包括第一预测类别和第一概率,局部识别结果包括第二预测类别和第二概率为例,则该融合操作具体可以如下:
当该第一预测类别和第二预测类别一致时,将第一概率和第二概率进行比较,若第一概率大于第二概率,则将第一预测类别和第一概率作为车辆识别结果,若第一概率小于第二概率,则将第二预测类别和第二概率作为车辆识别结果,若第一概率等于第二概率,则将第一预测类别和第一概率作为车辆识别结果,或将第二预测类别和第二概率作为车辆识别结果;
当该第一预测类别和第二预测类别不一致时,确定第二概率是否低于预设阈值,若低于预设阈值,则将第一预测类别和第一概率作为车辆识别结果,若不低于预设阈值,则将第二预测类别和第二概率作为车辆识别结果。
其中,该预设阈值可以根据实际应用的需求进行设置,比如,该预设阈值可以设置为0,即当该第一预测类别和第二预测类别不一致时,若第二概率为0,则将第一预测类别和第一概率作为车辆识别结果,否则,若第二概率不为0,则将第二预测类别和第二概率作为车辆识别结果,等等。
可选的,其中,全局识别模型和局部识别模型可以由运维人员预先进行设置,也可以由该车辆识别装置自行进行建立,即处理器401还可以运行存储在存储器402中的应用程序,从而实现以下功能:
采集多个车辆数据,对该车辆信息进行筛选,并对筛选后的车辆数据按照预设类别进行聚类,基于聚类后车辆数据建立全局识别模型和局部识别模型。
其中,该车辆数据可以包括车辆的图片信息和属性信息等信息,而聚类的方式也可以有多种,比如,具体可以用于将筛选后的车辆数据的种类划分为车辆类别、非车辆类别和车辆局部特写类别,将属于非车辆类别的车辆数据聚类为非车辆类;将车辆局部特写类别的车辆数据聚类为局部特写类;对属于车辆类别的车辆数据,按照车型、颜色、品牌、系列和/或年款进行聚类,得到多个车系类,等等。
若将筛选后的车辆数据分别聚类为非车辆类、局部特写类和多个车系类,则一方面,可以将车系类的车辆数据作为全局训练样本集,对预设原始模型进行训练,得到全局识别模型;另一方面,可以将非车辆类的车辆数据和局部特写类的车辆数据作为局部训练样本集,对预设原始模型进行训练,得到局部识别模型,具体可参见前面的实施例,在此不再赘述。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
由上可知,本实施例的服务器在获取到待识别车辆的图像后,一方面,可以采用预设全局识别模型对所述图像中的车辆的整体进行识别,得到全局识别结果,另一方面,可以采用预设局部识别模型对所述图像中的车辆的车尾和/或车脸进行识别,得到局部识别结果,然后,按照预设融合策略将该全局识别结果和局部识别结果进行融合,得到最终的车辆识别结果;由于该方案可以通过识别模型(包括全局识别模型和局部识别模型)来对待识别车辆的图像进行识别,而且,其识别结果不仅考虑了车辆的整体因素,还考虑了车辆的局部特征,因此,相对于现有只能将待识别车辆的图像与数据库中的图像进行简单匹配的方案而言,可以大大提高识别的准确率;此外,由于这些识别模型均由机器自身训练而成,无需依赖人工辨认,因此,可以在提高处理效率的同时,避免由于人工辨认所导致的误操作,进一步提高识别的准确率。
实施例五、
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种车辆识别方法中的步骤。例如,该指令可以执行如下步骤:
获取待识别车辆的图像,采用预设全局识别模型对该图像中的车辆的整体进行识别,得到全局识别结果,采用预设局部识别模型对该图像中的车辆的车尾和/或车脸进行识别,得到局部识别结果,按照预设融合策略对该全局识别结果和局部识别结果进行融合,得到车辆识别结果。
比如,可以全局识别结果包括第一预测类别和第一概率,局部识别结果包括第二预测类别和第二概率为例,则该融合操作具体可以如下:
当该第一预测类别和第二预测类别一致时,将第一概率和第二概率进行比较,若第一概率大于第二概率,则将第一预测类别和第一概率作为车辆识别结果,若第一概率小于第二概率,则将第二预测类别和第二概率作为车辆识别结果,若第一概率等于第二概率,则将第一预测类别和第一概率作为车辆识别结果,或将第二预测类别和第二概率作为车辆识别结果;
当该第一预测类别和第二预测类别不一致时,确定第二概率是否低于预设阈值,若低于预设阈值,则将第一预测类别和第一概率作为车辆识别结果,若不低于预设阈值,则将第二预测类别和第二概率作为车辆识别结果。
其中,该预设阈值可以根据实际应用的需求进行设置,在此不再赘述。
可选的,其中,全局识别模型和局部识别模型可以由运维人员预先进行设置,也可以由该车辆识别装置自行进行建立,即该指令还可以执行如下步骤:
采集多个车辆数据,对该车辆信息进行筛选,并对筛选后的车辆数据按照预设类别进行聚类,基于聚类后车辆数据建立全局识别模型和局部识别模型。
其中,该车辆数据可以包括车辆的图片信息和属性信息等信息,而聚类的方式也可以有多种,比如,具体可以用于将筛选后的车辆数据的种类划分为车辆类别、非车辆类别和车辆局部特写类别,将属于非车辆类别的车辆数据聚类为非车辆类;将车辆局部特写类别的车辆数据聚类为局部特写类;对属于车辆类别的车辆数据,按照车型、颜色、品牌、系列和/或年款进行聚类,得到多个车系类,等等。
若将筛选后的车辆数据分别聚类为非车辆类、局部特写类和多个车系类,则一方面,可以将车系类的车辆数据作为全局训练样本集,对预设原始模型进行训练,得到全局识别模型;另一方面,可以将非车辆类的车辆数据和局部特写类的车辆数据作为局部训练样本集,对预设原始模型进行训练,得到局部识别模型,具体可参见前面的实施例,在此不再赘述。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一种车辆识别方法中的步骤,因此,可以实现本发明实施例所提供的任一种车辆识别方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本发明实施例所提供的一种车辆识别方法、装置和存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (15)
1.一种车辆识别方法,其特征在于,包括:
获取待识别车辆的图像;
采用预设全局识别模型对所述图像中的车辆的整体进行识别,得到全局识别结果;
采用预设局部识别模型对所述图像中的车辆的车尾和/或车脸进行识别,得到局部识别结果;
按照预设融合策略对所述全局识别结果和局部识别结果进行融合,得到车辆识别结果。
2.根据权利要求1所述的方法,其特征在于,所述采用预设全局识别模型对所述图像中的车辆的整体进行识别,得到全局识别结果,包括:
对所述图像中车辆的整体特征进行提取,得到全局特征;
采用预设全局识别模型对所述全局特征进行识别,得到全局识别结果。
3.根据权利要求2所述的方法,其特征在于,所述对所述图像中车辆的整体特征进行提取,得到全局特征,包括:
对所述图像中车辆的位置进行检测;
根据检测结果对所述图像进行图像分割,得到主区域和背景区域;
从所述主区域中提取车辆的关键点特征,得到全局特征。
4.根据权利要求1所述的方法,其特征在于,所述采用预设局部识别模型对所述图像中的车辆的车尾和/或车脸进行识别,得到局部识别结果,包括:
对所述图像中的车辆的车尾和/或车脸进行特征提取,得到局部特征;
采用预设局部识别模型对所述局部特征进行识别,得到局部识别结果。
5.根据权利要求4所述的方法,其特征在于,所述对所述图像中的车辆的车尾和/或车脸进行特征提取,得到局部特征,包括:
确定所述图像中包含有车辆的车尾和/或车脸的区域,得到关键区域;
从所述关键区域中提取车辆的车尾和/或车脸的关键点特征,得到局部特征。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述全局识别结果包括第一预测类别和第一概率,所述第一概率为所述待识别车辆属于所述第一预测类别的概率,所述局部识别结果包括第二预测类别和第二概率、所述第二概率为所述待识别车辆属于所述第二预测类别的概率,所述按照预设融合策略对所述全局识别结果和局部识别结果进行融合,得到车辆识别结果,包括:
当所述第一预测类别和第二预测类别一致时,将第一概率和第二概率进行比较,若第一概率大于第二概率,则将第一预测类别和第一概率作为车辆识别结果,若第一概率小于第二概率,则将第二预测类别和第二概率作为车辆识别结果,若第一概率等于第二概率,则将第一预测类别和第一概率作为车辆识别结果,或将第二预测类别和第二概率作为车辆识别结果;
当所述第一预测类别和第二预测类别不一致时,确定第二概率是否低于预设阈值,若低于预设阈值,则将第一预测类别和第一概率作为车辆识别结果,若不低于预设阈值,则将第二预测类别和第二概率作为车辆识别结果。
7.根据权利要求1至5任一项所述的方法,其特征在于,所述采用预设全局识别模型对所述图像中的车辆的整体进行识别之前,还包括:
采集多个车辆数据,所述车辆数据包括车辆的图片信息和属性信息;
对所述车辆信息进行筛选,并对筛选后的车辆数据按照预设类别进行聚类;
基于聚类后车辆数据建立全局识别模型和局部识别模型。
8.根据权利要求7所述的方法,其特征在于,所述对筛选后的车辆数据按照预设类别进行聚类,包括:
将筛选后的车辆数据的种类划分为车辆类别、非车辆类别和车辆局部特写类别;
将属于非车辆类别的车辆数据聚类为非车辆类;
将车辆局部特写类别的车辆数据聚类为局部特写类;
对属于车辆类别的车辆数据,按照车型、颜色、品牌、系列和/或年款进行聚类,得到多个车系类。
9.根据权利要求8所述的方法,其特征在于,所述基于聚类后车辆数据建立全局识别模型和局部识别模型,包括:
将车系类的车辆数据作为全局训练样本集,对预设原始模型进行训练,得到全局识别模型;
将非车辆类的车辆数据和局部特写类的车辆数据作为局部训练样本集,对预设原始模型进行训练,得到局部识别模型。
10.根据权利要求9所述的方法,其特征在于,所述将车系类的车辆数据作为全局训练样本集,对预设原始模型进行训练,得到全局识别模型,包括:
根据车系类的车辆数据确定车辆在图片信息中的位置,得到第一位置信息;
根据所述第一位置信息获取车辆的关键点特征;
根据获取到的车辆的关键点特征和车系类对应的属性信息对预设原始模型进行训练,得到全局识别模型。
11.根据权利要求9所述的方法,其特征在于,所述将非车辆类的车辆数据和局部特写类的车辆数据作为局部训练样本集,对预设原始模型进行训练,得到局部识别模型,包括:
根据局部特写类的车辆数据确定车辆的车尾和/或车脸在图片信息中的位置,得到第二位置信息;
根据所述第二位置信息获取车辆的车尾和/或车脸的关键点特征;
根据非车辆类的车辆数据确定车辆内饰在图片信息中的位置,得到第三位置信息;
根据所述第三位置信息获取车辆内饰的关键点特征;
根据获取到的车尾和/或车脸的关键点特征、车辆内饰的关键点特征、局部特写类对应的属性信息、非车辆类对应的属性信息对预设原始模型进行训练,得到局部识别模型。
12.一种车辆识别装置,其特征在于,包括:
获取单元,用于获取待识别车辆的图像;
全局识别单元,用于采用预设全局识别模型对所述图像中的车辆的整体进行识别,得到全局识别结果;
局部识别单元,用于采用预设局部识别模型对所述图像中的车辆的车尾和/或车脸进行识别,得到局部识别结果;
融合单元,用于按照预设融合策略对所述全局识别结果和局部识别结果进行融合,得到车辆识别结果。
13.根据权利要求12所述的装置,其特征在于,还包括采集单元、聚类单元和建立单元;
所述采集单元,用于采集多个车辆数据,所述车辆数据包括车辆的图片信息和属性信息;
所述聚类单元,用于对所述车辆信息进行筛选,并对筛选后的车辆数据按照预设类别进行聚类;
所述建立单元,用于基于聚类后车辆数据建立全局识别模型和局部识别模型。
14.根据权利要求13所述的装置,其特征在于,
所述聚类单元,具体用于将筛选后的车辆数据的种类划分为车辆类别、非车辆类别和车辆局部特写类别;将属于非车辆类别的车辆数据聚类为非车辆类;将车辆局部特写类别的车辆数据聚类为局部特写类;对属于车辆类别的车辆数据,按照车型、颜色、品牌、系列和/或年款进行聚类,得到多个车系类。
15.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至11任一项所述的车辆识别方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810079512.XA CN108319907A (zh) | 2018-01-26 | 2018-01-26 | 一种车辆识别方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810079512.XA CN108319907A (zh) | 2018-01-26 | 2018-01-26 | 一种车辆识别方法、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108319907A true CN108319907A (zh) | 2018-07-24 |
Family
ID=62888749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810079512.XA Pending CN108319907A (zh) | 2018-01-26 | 2018-01-26 | 一种车辆识别方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108319907A (zh) |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034086A (zh) * | 2018-08-03 | 2018-12-18 | 北京旷视科技有限公司 | 车辆重识别方法、装置及系统 |
CN109102026A (zh) * | 2018-08-16 | 2018-12-28 | 新智数字科技有限公司 | 一种车辆图像检测方法、装置及系统 |
CN109145759A (zh) * | 2018-07-25 | 2019-01-04 | 腾讯科技(深圳)有限公司 | 车辆属性识别方法、装置、服务器及存储介质 |
CN109353237A (zh) * | 2018-10-10 | 2019-02-19 | 广州信邦智能装备股份有限公司 | 一种新能源电动车充电视觉系统 |
CN109635825A (zh) * | 2018-12-19 | 2019-04-16 | 苏州市科远软件技术开发有限公司 | 车辆属性检测方法、装置及存储介质 |
CN109800321A (zh) * | 2018-12-24 | 2019-05-24 | 银江股份有限公司 | 一种卡口图像车辆检索方法及系统 |
CN109902732A (zh) * | 2019-02-22 | 2019-06-18 | 哈尔滨工业大学(深圳) | 车辆自动分类方法及相关装置 |
CN109948612A (zh) * | 2019-03-19 | 2019-06-28 | 苏州怡林城信息科技有限公司 | 基于卷积网络的车牌检测方法、存储介质和检测设备 |
CN109978132A (zh) * | 2018-12-24 | 2019-07-05 | 中国科学院深圳先进技术研究院 | 一种精细化车辆识别的神经网络方法及系统 |
CN109977937A (zh) * | 2019-03-26 | 2019-07-05 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置及设备 |
CN110059623A (zh) * | 2019-04-18 | 2019-07-26 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
CN110070092A (zh) * | 2019-03-15 | 2019-07-30 | 平安科技(深圳)有限公司 | 车型识别方法、装置、计算机设备及存储介质 |
CN110135468A (zh) * | 2019-04-24 | 2019-08-16 | 中国矿业大学(北京) | 一种煤矸石的识别方法 |
CN110189354A (zh) * | 2019-04-18 | 2019-08-30 | 北京迈格威科技有限公司 | 图像处理方法与图像处理器、图像处理设备及介质 |
CN110309335A (zh) * | 2019-07-03 | 2019-10-08 | 腾讯科技(深圳)有限公司 | 一种图片匹配方法、装置、设备及存储介质 |
CN110348463A (zh) * | 2019-07-16 | 2019-10-18 | 北京百度网讯科技有限公司 | 用于识别车辆的方法和装置 |
CN110363093A (zh) * | 2019-06-19 | 2019-10-22 | 深圳大学 | 一种司机动作识别方法及装置 |
CN110569865A (zh) * | 2019-02-01 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 识别车体方向的方法和装置 |
CN110765929A (zh) * | 2019-10-21 | 2020-02-07 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车辆障碍物检测方法及装置 |
CN111126271A (zh) * | 2019-12-24 | 2020-05-08 | 高新兴科技集团股份有限公司 | 卡口抓拍图像车辆检测方法、计算机存储介质及电子设备 |
CN111222521A (zh) * | 2018-11-23 | 2020-06-02 | 汕尾比亚迪汽车有限公司 | 汽车及用于其的车轮受困判断方法及装置 |
CN111444867A (zh) * | 2020-03-31 | 2020-07-24 | 高新兴科技集团股份有限公司 | 一种基于卷积神经网络的车辆后拍子品牌识别方法 |
CN111626080A (zh) * | 2019-02-27 | 2020-09-04 | 初速度(苏州)科技有限公司 | 车辆检测方法及车载终端 |
CN111723835A (zh) * | 2019-03-21 | 2020-09-29 | 北京嘀嘀无限科技发展有限公司 | 车辆移动轨迹区分方法、装置和电子设备 |
CN111754784A (zh) * | 2020-06-23 | 2020-10-09 | 高新兴科技集团股份有限公司 | 基于注意力机制的多层网络的车辆主子品牌识别方法 |
CN111830937A (zh) * | 2020-07-23 | 2020-10-27 | 上海钧正网络科技有限公司 | 车辆故障识别模型的构建、识别方法及装置、管理系统 |
CN111832369A (zh) * | 2019-04-23 | 2020-10-27 | 中国移动通信有限公司研究院 | 一种图像识别方法、装置及电子设备 |
CN111931840A (zh) * | 2020-08-04 | 2020-11-13 | 中国建设银行股份有限公司 | 一种图片分类的方法、装置、设备及存储介质 |
CN112001269A (zh) * | 2020-08-03 | 2020-11-27 | 浙江大华技术股份有限公司 | 车辆识别方法、装置、计算机设备和存储介质 |
CN112036421A (zh) * | 2019-05-16 | 2020-12-04 | 搜狗(杭州)智能科技有限公司 | 一种图像处理方法、装置和电子设备 |
CN112101183A (zh) * | 2020-09-10 | 2020-12-18 | 深圳市商汤科技有限公司 | 车辆识别方法及装置、电子设备及存储介质 |
CN112418168A (zh) * | 2020-12-10 | 2021-02-26 | 深圳云天励飞技术股份有限公司 | 车辆识别方法、装置、系统、电子设备及存储介质 |
CN113191426A (zh) * | 2021-04-28 | 2021-07-30 | 深圳市捷顺科技实业股份有限公司 | 一种车辆识别模型创建方法、车辆识别方法及相关组件 |
CN113221604A (zh) * | 2020-02-05 | 2021-08-06 | 北京京东乾石科技有限公司 | 目标识别方法、装置、存储介质及电子设备 |
CN113312945A (zh) * | 2020-02-27 | 2021-08-27 | 浙江大搜车软件技术有限公司 | 车辆识别方法、装置、电子设备及可读存储介质 |
CN113408559A (zh) * | 2020-03-17 | 2021-09-17 | 杭州萤石软件有限公司 | 一种车辆品牌识别方法、装置及存储介质 |
CN114648712A (zh) * | 2020-12-18 | 2022-06-21 | 北京字节跳动网络技术有限公司 | 视频分类方法、装置、电子设备及计算机可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270305A (zh) * | 2011-08-11 | 2011-12-07 | 西北工业大学 | 一种基于msbn的多智能体协同目标识别方法 |
CN103020658A (zh) * | 2012-12-31 | 2013-04-03 | 中国科学院自动化研究所 | 二维图像中的物体识别方法 |
CN103177264A (zh) * | 2013-03-14 | 2013-06-26 | 中国科学院自动化研究所 | 基于视觉词典全局拓扑表达的图像分类方法 |
CN103258213A (zh) * | 2013-04-22 | 2013-08-21 | 中国石油大学(华东) | 一种用于智能交通系统中的动态车辆车型识别方法 |
CN106056086A (zh) * | 2016-06-02 | 2016-10-26 | 江苏华通晟云科技有限公司 | 基于快速学习框架的车辆品牌型号识别方法 |
CN106548145A (zh) * | 2016-10-31 | 2017-03-29 | 北京小米移动软件有限公司 | 图像识别方法及装置 |
CN106776943A (zh) * | 2016-12-01 | 2017-05-31 | 中科唯实科技(北京)有限公司 | 一种基于AutoEncoder和属性标签的车辆检索方法 |
WO2017215669A1 (zh) * | 2016-06-17 | 2017-12-21 | 北京市商汤科技开发有限公司 | 物体识别方法和装置、数据处理装置和计算设备 |
-
2018
- 2018-01-26 CN CN201810079512.XA patent/CN108319907A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270305A (zh) * | 2011-08-11 | 2011-12-07 | 西北工业大学 | 一种基于msbn的多智能体协同目标识别方法 |
CN103020658A (zh) * | 2012-12-31 | 2013-04-03 | 中国科学院自动化研究所 | 二维图像中的物体识别方法 |
CN103177264A (zh) * | 2013-03-14 | 2013-06-26 | 中国科学院自动化研究所 | 基于视觉词典全局拓扑表达的图像分类方法 |
CN103258213A (zh) * | 2013-04-22 | 2013-08-21 | 中国石油大学(华东) | 一种用于智能交通系统中的动态车辆车型识别方法 |
CN106056086A (zh) * | 2016-06-02 | 2016-10-26 | 江苏华通晟云科技有限公司 | 基于快速学习框架的车辆品牌型号识别方法 |
WO2017215669A1 (zh) * | 2016-06-17 | 2017-12-21 | 北京市商汤科技开发有限公司 | 物体识别方法和装置、数据处理装置和计算设备 |
CN106548145A (zh) * | 2016-10-31 | 2017-03-29 | 北京小米移动软件有限公司 | 图像识别方法及装置 |
CN106776943A (zh) * | 2016-12-01 | 2017-05-31 | 中科唯实科技(北京)有限公司 | 一种基于AutoEncoder和属性标签的车辆检索方法 |
Cited By (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145759A (zh) * | 2018-07-25 | 2019-01-04 | 腾讯科技(深圳)有限公司 | 车辆属性识别方法、装置、服务器及存储介质 |
CN109034086A (zh) * | 2018-08-03 | 2018-12-18 | 北京旷视科技有限公司 | 车辆重识别方法、装置及系统 |
CN109034086B (zh) * | 2018-08-03 | 2021-03-23 | 北京旷视科技有限公司 | 车辆重识别方法、装置及系统 |
CN109102026A (zh) * | 2018-08-16 | 2018-12-28 | 新智数字科技有限公司 | 一种车辆图像检测方法、装置及系统 |
CN109102026B (zh) * | 2018-08-16 | 2021-06-25 | 新智数字科技有限公司 | 一种车辆图像检测方法、装置及系统 |
CN109353237A (zh) * | 2018-10-10 | 2019-02-19 | 广州信邦智能装备股份有限公司 | 一种新能源电动车充电视觉系统 |
CN111222521B (zh) * | 2018-11-23 | 2023-12-22 | 汕尾比亚迪汽车有限公司 | 汽车及用于其的车轮受困判断方法及装置 |
CN111222521A (zh) * | 2018-11-23 | 2020-06-02 | 汕尾比亚迪汽车有限公司 | 汽车及用于其的车轮受困判断方法及装置 |
CN109635825A (zh) * | 2018-12-19 | 2019-04-16 | 苏州市科远软件技术开发有限公司 | 车辆属性检测方法、装置及存储介质 |
CN109800321A (zh) * | 2018-12-24 | 2019-05-24 | 银江股份有限公司 | 一种卡口图像车辆检索方法及系统 |
CN109800321B (zh) * | 2018-12-24 | 2020-11-10 | 银江股份有限公司 | 一种卡口图像车辆检索方法及系统 |
CN109978132A (zh) * | 2018-12-24 | 2019-07-05 | 中国科学院深圳先进技术研究院 | 一种精细化车辆识别的神经网络方法及系统 |
TWI722558B (zh) * | 2019-02-01 | 2021-03-21 | 開曼群島商創新先進技術有限公司 | 識別車體方向的方法和裝置 |
CN110569865A (zh) * | 2019-02-01 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 识别车体方向的方法和装置 |
CN109902732A (zh) * | 2019-02-22 | 2019-06-18 | 哈尔滨工业大学(深圳) | 车辆自动分类方法及相关装置 |
CN111626080B (zh) * | 2019-02-27 | 2022-06-24 | 魔门塔(苏州)科技有限公司 | 车辆检测方法及车载终端 |
CN111626080A (zh) * | 2019-02-27 | 2020-09-04 | 初速度(苏州)科技有限公司 | 车辆检测方法及车载终端 |
CN110070092A (zh) * | 2019-03-15 | 2019-07-30 | 平安科技(深圳)有限公司 | 车型识别方法、装置、计算机设备及存储介质 |
WO2020186790A1 (zh) * | 2019-03-15 | 2020-09-24 | 平安科技(深圳)有限公司 | 车型识别方法、装置、计算机设备及存储介质 |
CN109948612A (zh) * | 2019-03-19 | 2019-06-28 | 苏州怡林城信息科技有限公司 | 基于卷积网络的车牌检测方法、存储介质和检测设备 |
CN111723835A (zh) * | 2019-03-21 | 2020-09-29 | 北京嘀嘀无限科技发展有限公司 | 车辆移动轨迹区分方法、装置和电子设备 |
CN109977937B (zh) * | 2019-03-26 | 2020-11-03 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置及设备 |
CN109977937A (zh) * | 2019-03-26 | 2019-07-05 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置及设备 |
CN110189354B (zh) * | 2019-04-18 | 2021-12-28 | 北京迈格威科技有限公司 | 图像处理方法与图像处理器、图像处理设备及介质 |
CN110189354A (zh) * | 2019-04-18 | 2019-08-30 | 北京迈格威科技有限公司 | 图像处理方法与图像处理器、图像处理设备及介质 |
CN110059623B (zh) * | 2019-04-18 | 2021-06-11 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
CN110059623A (zh) * | 2019-04-18 | 2019-07-26 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
CN111832369A (zh) * | 2019-04-23 | 2020-10-27 | 中国移动通信有限公司研究院 | 一种图像识别方法、装置及电子设备 |
CN110135468B (zh) * | 2019-04-24 | 2021-07-20 | 中国矿业大学(北京) | 一种煤矸石的识别方法 |
CN110135468A (zh) * | 2019-04-24 | 2019-08-16 | 中国矿业大学(北京) | 一种煤矸石的识别方法 |
CN112036421A (zh) * | 2019-05-16 | 2020-12-04 | 搜狗(杭州)智能科技有限公司 | 一种图像处理方法、装置和电子设备 |
CN110363093A (zh) * | 2019-06-19 | 2019-10-22 | 深圳大学 | 一种司机动作识别方法及装置 |
CN110309335B (zh) * | 2019-07-03 | 2023-01-06 | 腾讯科技(深圳)有限公司 | 一种图片匹配方法、装置、设备及存储介质 |
CN110309335A (zh) * | 2019-07-03 | 2019-10-08 | 腾讯科技(深圳)有限公司 | 一种图片匹配方法、装置、设备及存储介质 |
CN110348463A (zh) * | 2019-07-16 | 2019-10-18 | 北京百度网讯科技有限公司 | 用于识别车辆的方法和装置 |
CN110765929A (zh) * | 2019-10-21 | 2020-02-07 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车辆障碍物检测方法及装置 |
CN111126271A (zh) * | 2019-12-24 | 2020-05-08 | 高新兴科技集团股份有限公司 | 卡口抓拍图像车辆检测方法、计算机存储介质及电子设备 |
CN111126271B (zh) * | 2019-12-24 | 2023-08-29 | 高新兴科技集团股份有限公司 | 卡口抓拍图像车辆检测方法、计算机存储介质及电子设备 |
CN113221604A (zh) * | 2020-02-05 | 2021-08-06 | 北京京东乾石科技有限公司 | 目标识别方法、装置、存储介质及电子设备 |
CN113312945A (zh) * | 2020-02-27 | 2021-08-27 | 浙江大搜车软件技术有限公司 | 车辆识别方法、装置、电子设备及可读存储介质 |
CN113408559A (zh) * | 2020-03-17 | 2021-09-17 | 杭州萤石软件有限公司 | 一种车辆品牌识别方法、装置及存储介质 |
CN111444867A (zh) * | 2020-03-31 | 2020-07-24 | 高新兴科技集团股份有限公司 | 一种基于卷积神经网络的车辆后拍子品牌识别方法 |
CN111754784A (zh) * | 2020-06-23 | 2020-10-09 | 高新兴科技集团股份有限公司 | 基于注意力机制的多层网络的车辆主子品牌识别方法 |
CN111754784B (zh) * | 2020-06-23 | 2022-05-24 | 高新兴科技集团股份有限公司 | 基于注意力机制的多层网络的车辆主子品牌识别方法 |
CN111830937B (zh) * | 2020-07-23 | 2021-07-02 | 上海钧正网络科技有限公司 | 车辆故障识别模型的构建、识别方法及装置、管理系统 |
CN111830937A (zh) * | 2020-07-23 | 2020-10-27 | 上海钧正网络科技有限公司 | 车辆故障识别模型的构建、识别方法及装置、管理系统 |
CN112001269A (zh) * | 2020-08-03 | 2020-11-27 | 浙江大华技术股份有限公司 | 车辆识别方法、装置、计算机设备和存储介质 |
CN111931840A (zh) * | 2020-08-04 | 2020-11-13 | 中国建设银行股份有限公司 | 一种图片分类的方法、装置、设备及存储介质 |
CN112101183A (zh) * | 2020-09-10 | 2020-12-18 | 深圳市商汤科技有限公司 | 车辆识别方法及装置、电子设备及存储介质 |
CN112418168B (zh) * | 2020-12-10 | 2024-04-02 | 深圳云天励飞技术股份有限公司 | 车辆识别方法、装置、系统、电子设备及存储介质 |
CN112418168A (zh) * | 2020-12-10 | 2021-02-26 | 深圳云天励飞技术股份有限公司 | 车辆识别方法、装置、系统、电子设备及存储介质 |
CN114648712A (zh) * | 2020-12-18 | 2022-06-21 | 北京字节跳动网络技术有限公司 | 视频分类方法、装置、电子设备及计算机可读存储介质 |
CN114648712B (zh) * | 2020-12-18 | 2023-07-28 | 抖音视界有限公司 | 视频分类方法、装置、电子设备及计算机可读存储介质 |
CN113191426A (zh) * | 2021-04-28 | 2021-07-30 | 深圳市捷顺科技实业股份有限公司 | 一种车辆识别模型创建方法、车辆识别方法及相关组件 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108319907A (zh) | 一种车辆识别方法、装置和存储介质 | |
CN108596277B (zh) | 一种车辆身份识别方法、装置和存储介质 | |
CN108388888B (zh) | 一种车辆识别方法、装置和存储介质 | |
CN106096531B (zh) | 一种基于深度学习的交通图像多类型车辆检测方法 | |
CN108446612A (zh) | 车辆识别方法、装置及存储介质 | |
CN107066953B (zh) | 一种面向监控视频的车型识别、跟踪及矫正方法和装置 | |
JP6546271B2 (ja) | 画像処理装置、物体検知装置、画像処理方法 | |
CN110471058A (zh) | 用于拖车属性的自动检测的系统和方法 | |
CN110097109A (zh) | 一种基于深度学习的道路环境障碍物检测系统及方法 | |
CN115439831A (zh) | 减少乘客相关物品丢失的方法和装置 | |
CN109145759A (zh) | 车辆属性识别方法、装置、服务器及存储介质 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN107085696A (zh) | 一种基于卡口图像的车辆定位及型号识别方法 | |
CN109993138A (zh) | 一种车牌检测与识别方法及装置 | |
CN109635825A (zh) | 车辆属性检测方法、装置及存储介质 | |
CN109948610A (zh) | 一种基于深度学习的视频中车辆细粒度分类方法 | |
CN107862072B (zh) | 基于大数据技术分析车辆入城套牌作案的方法 | |
WO2020007589A1 (en) | Training a deep convolutional neural network for individual routes | |
CN108932273A (zh) | 图片筛选方法及装置 | |
Liu et al. | An interpretable machine learning framework for measuring urban perceptions from panoramic street view images | |
CN115546742A (zh) | 一种基于单目热红外摄像头的铁轨异物识别方法及系统 | |
CN113313110B (zh) | 一种车牌类型识别模型构建及车牌类型识别方法 | |
CN110263622A (zh) | 列车火情监测方法、装置、终端及存储介质 | |
CN113393442A (zh) | 列车零部件异常检测方法、系统、电子设备及存储介质 | |
CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |